Poprawa jakości kodowania ICD-10 za pomocą sztucznej inteligencji: protokół randomizowanego, kontrolowanego badania krzyżowego (ClinCode)
Poprawa jakości kodowania ICD-10 (Międzynarodowa statystyczna klasyfikacja chorób, wersja dziesiąta) przy użyciu sztucznej inteligencji: Protokół dla randomizowanego, kontrolowanego badania krzyżowego
Celem tego randomizowanego badania jest poznanie roli sztucznej inteligencji w praktyce kodowania klinicznego. Główne pytanie, na które ma odpowiedzieć, brzmi:
Czy system CAC oparty na sztucznej inteligencji może zmniejszyć obciążenie związane z kodowaniem klinicznym, a także poprawić jakość takiego kodowania? Uczestnicy zostaną poproszeni o kodowanie tekstów klinicznych zarówno podczas korzystania z naszego systemu CAC, jak i poza nim.
Przegląd badań
Szczegółowy opis
Po zrekrutowaniu uczestnicy są losowo przydzielani do 2 grup bez ukrywania przydziału. Ukrywanie alokacji nie będzie miało znaczenia w przypadku koderów klinicznych, ponieważ wiadomo, czy uczestnik otrzymuje pomoc, czy nie, i nie będziemy opracowywać asystenta kodowania placebo. Podział tematów analiz będziemy jednak ukrywać.
Łącznie uczestnicy zakodują 20 notatek klinicznych, z których każda będzie dotyczyć jednego pacjenta. Uczestnicy proszeni są o ukończenie eksperymentu na 1 posiedzeniu bez przerw i nie mogą wracać do poprzednich notatek. W przypadku przerwania uczestnikom proszeni są o opuszczenie eksperymentu, a wszelkie niekompletne zapisy są odrzucane jako nieważne.
Proces badania użytkowników można podsumować w następujących krokach:
- Uczestnicy badania są losowo przydzielani do grupy 1 i grupy 2.
- Aby przygotować uczestników do eksperymentu, po podpisaniu formularza zgody i tuż przed rozpoczęciem zadania kodowania klinicznego odtwarzany jest krótki samouczek wideo.
- W okresie 1 z 10 notami klinicznymi grupa 1 korzysta z interfejsu kontrolnego, natomiast grupa 2 z interfejsu interwencyjnego.
- Dane są rejestrowane w tle za pomocą naciśnięć przycisków (np. godzina, przydzielone kody i uwagi).
- Następnie następuje natychmiastowe przejście do okresu 2 dla ostatnich 10 notatek klinicznych.
- Dane są nadal rejestrowane w tle po naciśnięciu przycisku.
- Na koniec uczestnicy obu grup wypełnią skalę użyteczności systemu.
Typ studiów
Zapisy (Rzeczywisty)
Faza
- Nie dotyczy
Kontakty i lokalizacje
Lokalizacje studiów
-
-
Troms
-
Tromsø, Troms, Norwegia, 9019
- Norwegian Centre for E-health Research
-
-
Kryteria uczestnictwa
Kryteria kwalifikacji
Wiek uprawniający do nauki
- Dziecko
- Dorosły
- Starszy dorosły
Akceptuje zdrowych ochotników
Opis
Kryteria przyjęcia:
- uczestnik kodował już teksty kliniczne, najlepiej ICD-10
- jest pracownikiem służby zdrowia, np. klinicysta, pielęgniarka, profesjonalni programiści
- rozumiem szwedzki
Kryteria wyłączenia:
- uczestników spoza Norwegii i Szwecji
Plan studiów
Jak projektuje się badanie?
Szczegóły projektu
- Główny cel: Diagnostyczny
- Przydział: Randomizowane
- Model interwencyjny: Zadanie krzyżowe
- Maskowanie: Pojedynczy
Broń i interwencje
Grupa uczestników / Arm |
Interwencja / Leczenie |
|---|---|
|
Aktywny komparator: Interfejs Easy-ICD
W tym ramieniu zastosowano nasz system kodowania klinicznego wspomaganego komputerowo (CAC) oparty na sztucznej inteligencji, Easy-ICD
|
Easy-ICD to system kodowania klinicznego wspomaganego komputerowo (CAC) oparty na sztucznej inteligencji, który pomaga koderowi klinicznemu przypisywać kody ICD-10 do notatek klinicznych, takich jak streszczenia wypisów ze szpitala.
|
|
Brak interwencji: Interfejs sterowania
To ramię sterujące wykorzystuje interfejs podobny do Easy-ICD, ale bez funkcjonalności AI
|
Co mierzy badanie?
Podstawowe miary wyniku
Miara wyniku |
Opis środka |
Ramy czasowe |
|---|---|---|
|
Czas
Ramy czasowe: 1 godzina
|
Czas w sekundach potrzebny na przypisanie kodów ICD-10 do każdej z 20 notatek klinicznych.
|
1 godzina
|
|
Dokładność
Ramy czasowe: 1 godzina
|
Dokładność oblicza się, dzieląc liczbę poprawnych kodów ICD-10 przez całkowitą liczbę przypisanych kodów.
|
1 godzina
|
Współpracownicy i badacze
Współpracownicy
Śledczy
- Główny śledczy: Hercules Dalianis, PhD, Norwegian Centre for E-health Research
Publikacje i pomocne linki
Daty zapisu na studia
Główne daty studiów
Rozpoczęcie studiów (Rzeczywisty)
Zakończenie podstawowe (Rzeczywisty)
Ukończenie studiów (Rzeczywisty)
Daty rejestracji na studia
Pierwszy przesłany
Pierwszy przesłany, który spełnia kryteria kontroli jakości
Pierwszy wysłany (Rzeczywisty)
Aktualizacje rekordów badań
Ostatnia wysłana aktualizacja (Rzeczywisty)
Ostatnia przesłana aktualizacja, która spełniała kryteria kontroli jakości
Ostatnia weryfikacja
Więcej informacji
Terminy związane z tym badaniem
Dodatkowe istotne warunki MeSH
Inne numery identyfikacyjne badania
- 260972(REK)
Plan dla danych uczestnika indywidualnego (IPD)
Planujesz udostępniać dane poszczególnych uczestników (IPD)?
Opis planu IPD
Ramy czasowe udostępniania IPD
Kryteria dostępu do udostępniania IPD
Typ informacji pomocniczych dotyczących udostępniania IPD
- PROTOKÓŁ BADANIA
- SOK ROŚLINNY
- ICF
Informacje o lekach i urządzeniach, dokumenty badawcze
Bada produkt leczniczy regulowany przez amerykańską FDA
Bada produkt urządzenia regulowany przez amerykańską FDA
Te informacje zostały pobrane bezpośrednio ze strony internetowej clinicaltrials.gov bez żadnych zmian. Jeśli chcesz zmienić, usunąć lub zaktualizować dane swojego badania, skontaktuj się z register@clinicaltrials.gov. Gdy tylko zmiana zostanie wprowadzona na stronie clinicaltrials.gov, zostanie ona automatycznie zaktualizowana również na naszej stronie internetowej .